Abstract The fundamental goal of neuroscience is to understand the nervous system at all levels of description, from molecular components to behavior. The complexity of achieving this goal in neuroscience, and biomedicine in general, poses many technical and sociological challenges. Among these are the need to organize neuroscientific data, information, and knowledge to facilitate new scientific endeavors, provide credibility and visibility of research findings, and increase the efficiency of data reuse. Linked Data is a set of principles based on Web technology that can aid this process as it organizes data as an interconnected network of information. This review examines the history, practical impact, potential, and challenges of applying Linked Data principles to neuroscience.

Abstract Real-time fMRI neurofeedback is an increasingly popular neuroimaging technique that allows an individual to gain control over his/her own brain signals, which can lead to improvements in behavior in healthy participants as well as to improvements of clinical symptoms in patient populations. However, a considerably large ratio of participants undergoing neurofeedback training do not learn to control their own brain signals and, consequently, do not benefit from neurofeedback interventions, which limits clinical efficacy of neurofeedback interventions. As neurofeedback success varies between studies and participants, it is important to identify factors that might influence neurofeedback success. Here, for the first time, we employed a big data machine learning approach to investigate the influence of 20 different design-specific (e.g. activity vs. connectivity feedback), region of interest-specific (e.g. cortical vs. subcortical) and subject-specific factors (e.g. age) on neurofeedback performance and improvement in 608 participants from 28 independent experiments. With a classification accuracy of 60% (considerably different from chance level), we identified two factors that significantly influenced neurofeedback performance: Both the inclusion of a pre-training no-feedback run before neurofeedback training and neurofeedback training of patients as compared to healthy participants were associated with better neurofeedback performance. The positive effect of pre-training no-feedback runs on neurofeedback performance might be due to the familiarization of participants with the neurofeedback setup and the mental imagery task before neurofeedback training runs. Better performance of patients as compared to healthy participants might be driven by higher motivation of patients, higher ranges for the regulation of dysfunctional brain signals, or a more extensive piloting of clinical experimental paradigms. Due to the large heterogeneity of our dataset, these findings likely generalize across neurofeedback studies, thus providing guidance for designing more efficient neurofeedback studies specifically for improving clinical neurofeedback-based interventions. To facilitate the development of data-driven recommendations for specific design details and subpopulations the field would benefit from stronger engagement in Open Science and data sharing.

Neurofeedback training has been shown to influence behavior in healthy participants as well as to alleviate clinical symptoms in neurological, psychosomatic, and psychiatric patient populations. However, many real-time fMRI neurofeedback studies report large inter-individual differences in learning success. The factors that cause this vast variability between participants remain unknown and their identification could enhance treatment success. Thus, here we employed a meta-analytic approach including data from 24 different neurofeedback studies with a total of 401 participants, including 140 patients, to determine whether levels of activity in target brain regions during pre-training functional localizer or no-feedback runs (i.e., self-regulation in the absence of neurofeedback) could predict neurofeedback learning success. We observed a slightly positive correlation between pre-training activity levels during a functional localizer run and neurofeedback learning success, but we were not able to identify common brain-based success predictors across our diverse cohort of studies. Therefore, advances need to be made in finding robust models and measures of general neurofeedback learning, and in increasing the current study database to allow for investigating further factors that might influence neurofeedback learning.

Only a tiny fraction of the data and metadata produced by an fMRI study is finally conveyed to the community. This lack of transparency not only hinders the reproducibility of neuroimaging results but also impairs future meta-analyses. In this work we introduce NIDM-Results, a format specification providing a machine-readable description of neuroimaging statistical results along with key image data summarising the experiment. NIDM-Results provides a unified representation of mass univariate analyses including a level of detail consistent with available best practices. This standardized representation allows authors to relay methods and results in a platform-independent regularized format that is not tied to a particular neuroimaging software package. Tools are available to export NIDM-Result graphs and associated files from the widely used SPM and FSL software packages, and the NeuroVault repository can import NIDM-Results archives. The specification is publically available at: http://nidm.nidash.org/specs/nidm-results.html.

ABSTRACT One of the significant challenges in real-time fMRI environments is to ensure that the functional images are exported in real-time. The prerequired ability to reconstruct these images immediately after the acquisition has already been resolved in 2004. Nowadays, more sophisticated sequences allow for higher resolution and faster repetition times and thereby challenging the ability to export this data in real-time. In this article, we tackle the potentially arising problem of sending the reconstructed data from the MRI to an external PC to perform the real-time fMRI analysis. We show that depending on the implementation of the data transfer, long delays can occur that can differ drastically in time and how often they occur. In addition, we propose a solution for SIEMENS MRI devices which was tested and applied already on multiple MRI devices including 3T and 7T machines on different vendor software versions. This new technique can be used as a blueprint that can be directly applied to other manufacturers. We also provide the source code of the described solution and show that the delay in the data transfer can be significantly reduced to a tolerable level using our proposed procedure. Finally, we integrate measurement options for the data transfer times to improve quality measures in real-time fMRI environments (e.g., clinical) that can implement the proposed solution. Efforts should be taken by the real-time community and MRI manufacturers to employ a standardized real-time export e.g., similar to the lab streaming layer which is used as a standard export method in EEG environments.

The rate of progress in human neurosciences is limited by the inability to easily apply a wide range of analysis methods to the plethora of different datasets acquired in labs around the world. In this work, we introduce a framework for creating, testing, versioning and archiving portable applications for analyzing neuroimaging data organized and described in compliance with the Brain Imaging Data Structure (BIDS). The portability of these applications (BIDS Apps) is achieved by using container technologies that encapsulate all binary and other dependencies in one convenient package. BIDS Apps run on all three major operating systems with no need for complex setup and configuration and thanks to the richness of the BIDS standard they require little manual user input. Previous containerized data processing solutions were limited to single user environments and not compatible with most multi-tenant High Performance Computing systems. BIDS Apps overcome this limitation by taking advantage of the Singularity container technology. As a proof of concept, this work is accompanied by 22 ready to use BIDS Apps, packaging a diverse set of commonly used neuroimaging algorithms.

The unprecedented increase in life expectancy presents a unique opportunity and the necessity to explore both healthy and pathological aspects of ageing. Electroencephalography (EEG) has been widely used to identify neuromarkers of cognitive ageing due to its affordability and richness in information. However, despite the growing volume of data and methodological advancements, the abundance of contradictory and non-reproducible findings has hindered clinical translation. To address these challenges, our study introduces a comprehensive workflow expanding on previous EEG studies and investigates various static and dynamic power and connectivity estimates as potential neuromarkers of cognitive ageing in a large dataset. We also assess the robustness of our findings by testing their susceptibility to band specification. Finally, we characterise our findings using functionally annotated brain networks to improve their interpretability and multi-modal integration. Our analysis demonstrates the effect of methodological choices on findings and that dynamic rather than static neuromarkers are not only more sensitive but also more robust. Consequently, they emerge as strong candidates for cognitive ageing neuromarkers. Moreover, we were able to replicate the most established EEG findings in cognitive ageing, such as alpha oscillation slowing, increased beta power, reduced reactivity across multiple bands, and decreased delta connectivity. Additionally, when considering individual variations in alpha band, we clarified that alpha power is characteristic of memory performance rather than ageing, highlighting its potential as a neuromarker for cognitive ageing. Finally, our approach using functionally annotated source reconstruction allowed us to provide insights into domain-specific electrophysiological mechanisms underlying memory performance and ageing.

The development of magnetic resonance imaging (MRI) techniques has defined modern neuroimaging. Since its inception, tens of thousands of studies using techniques such as functional MRI and diffusion weighted imaging have allowed for the non-invasive study of the brain. Despite the fact that MRI is routinely used to obtain data for neuroscience research, there has been no widely adopted standard for organizing and describing the data collected in an imaging experiment. This renders sharing and reusing data (within or between labs) difficult if not impossible and unnecessarily complicates the application of automatic pipelines and quality assurance protocols. To solve this problem, we have developed the Brain Imaging Data Structure (BIDS), a standard for organizing and describing MRI datasets. The BIDS standard uses file formats compatible with existing software, unifies the majority of practices already common in the field, and captures the metadata necessary for most common data processing operations.